InDeed: Interpretable Image Deep Decomposition With Grounded Generalizability

doi:10.1109/tip.2026.3718452

InDeed: Interpretable Image Deep Decomposition With Grounded Generalizability

2026-08-05

0

PRE

AI

DOI：10.1109/tip.2026.3718452

原文链接

原文求助

摘要

En 中文

图像分解旨在将图像分析为基本组成部分，这对于众多下游任务至关重要，并且本质上也为分析提供了某种可解释性。深度学习对于此类任务非常有效，但令人惊讶的是，其与可解释性和泛化性的结合却很少被探索。在本工作中，我们引入了一种新颖的框架，将图像分解为低秩、稀疏和噪声成分，结合层次贝叶斯建模和深度学习，创建了一个架构模块化和模型泛化的神经网络（DNN）。所提出的框架包括三个步骤：（1）图像分解的层次贝叶斯建模，（2）将推断问题转化为优化任务，（3）在松弛的摊销公式下，通过模块化的贝叶斯DNN进行深度推断。我们进一步根据PAC-贝叶斯理论分析了损失函数与泛化误差界之间的联系，这进而激励了一种新的测试时间适应方法用于处理分布外场景。我们通过两个下游任务，即图像去噪和无监督异常检测，实现了该应用，结果表明我们的方法在泛化性和可解释性方面均有提升。源代码可在https://github.com/LucyyyyW/InDeed获取。

Keyword:

Image decomposition

variational inference

deep learning

generalizability

image denoising

unsupervised anomaly detection

interpretability

InDeed: Interpretable Image Deep Decomposition With Grounded Generalizability

摘要

期刊

机构

引用论文